电商网站9种改变收入的A/B Test方法

A/B Test(Multivariate Test)是我们在一些重要页面做用户体验优化的常见方法。优化关键页面可以直接影响到我们引流的转化,优化得当,对我们的直接收入也产生着巨大的改变。下面是我针对Optimizely一篇关于电子商务产品详情页面的优化建议(9 Ways A/B Testing Can Make Gap Inc. Millions)解读的关键点,并与一些淘宝商家的页面比对,以供学习:

测试页面布局

较大的产品图片

较大的图片能让我们更多的给予注意力。

多形式产品图片

  • 远近、大小不同(细节与整体的关注)
  • 应用场景的不同(引导产品使用场景的脑补)
  • 正面、侧面不同(无死角展示产品)

适当的关联销售

原文提到的是移除关联元素。鉴于现在关联销售如此火爆,而且也是各大电商常见手段,直接移除显然是不明智的,选取合适的关联产品,对用户的Engagement(访问深度、停留时长等)还是有很大的提升的。

  • 有限数量的推荐
  • 同类产品的推荐
  • 互补产品的推荐
  • 根据营销策略的推荐

亮出关键的评论

reviews

  • 聚合关键评论信息
  • 提取对用户有效的信息
  • 提供完整的评论列表

测试行动召唤(call to action)

移除分散“加入购物车”注意的元素

在关键区域,只保留关键元素:

call-to-action

  • 价格及优惠信息
  • 立即购买
  • 加入购物车

区分主要的行动召唤

基本上同上一点,增加关键元素的关注程度。

明确的操作步骤

step

给用户清晰明了的购物流程。

行动召唤的文案

使用的文案要直接了当,不要过分文艺隐蔽。如淘宝的“立即购买”与“加入购物车”,含义清晰明了。失败案例,请见下图:

bad-case

直接引导用户去付款

直接引导用户付款:

pay

个性化的付款页面设置

允许不同用户设置个性化的付款页面,提高付款效率:

custom-pay-ways

参考资料:

Google Analytics部署 电子商务

Google Analytics(Universal Analytics)为电子商务网站有专用的数据收集插件、数据报表、数据分析功能。虽然Classic Analytics就已经是如此的,但新版给我们带来了不一样的感受。希望本篇文章能够和大家共同分享Google Analytics强大的电子商务网站分析功能。

什么样的网站属于电子商务网站?

无论您的网站是一个完全线上买卖的典型电子商务网站,还是一个包含部分交易功能的其他类型网站,又或者是一个离线型电子商务网站(O2O),都可以使用电商分析。或者说您的网站只要是:

  • 存在商品概念的网站
  • 存在买卖交互的网站

如果您的网站拥有以上中的一点,那么您就可以作为一个电子商务网站进行数据收集与网站分析了。在Google Analytics也将享有以下数据报告:

  • 电子商务概览
  • 产品效果报告(产品角度了解销售情况、收入等)
  • 销售业绩报告(时间角度分析销售业绩、变化等)
  • 交易次数报告
  • 购买前所耗天数/交易前访问次数

Google Analytics电子商务功能

开启GA电商功能,我们需要在配置文件(视图)一级进行设置:

ec-config

只有在进行了该配置后,配置文件(视图)中才能打开电子商务部分功能。同样,统计的电子商务数据也才能从报告中读取出来。(配置成为电子商务网站对其他报告无影响)

Google Analytics电子商务部署

首先,GA将电子商务数据部分划分为两大块,一块是交易数据,一块部署产品数据。交易数据包含信息有:

trans

商品数据包含的信息有:

item

这里有一个奇怪的现象,在交易数据集中,交易ID是字符串类型,而在商品数据集中,交易ID是整数型的。

想要收集到上述的数据,我们必须经历以下几个步骤:

加载电子商务插件

Google Analytics电子商务网站分析功能,需要另外加载一个js文件,进行电商部分的统计:

//置于创建跟踪ID之后,其他电商代码之前
ga('require', 'ecommerce', 'ecommerce.js');

增加一个交易数据

一旦我们加载了GA电商插件,我们便可以在购物车部分对订单交易进行操作了,例如增加一笔交易:

ga('ecommerce:addTransaction', {
'id': '1234',                     // 交易ID,必须的
'affiliation': 'Google Adwords',  // 联盟名称
'revenue': '11.99',               // 总收入
'shipping': '5',                  // 运费
'tax': '1.29'                     // 税费
});

增加一个商品数据

也可以不统计商品数据,该命令并不是必须的:

ga('ecommerce:addItem', {
'id': '1234',                     // 交易ID,必须的
'name': 'Fluffy Pink Bunnies',    // 商品名称,必须的
'sku': 'DD23444',                 // 商品SKU码
'category': 'Party Toys',         // 商品类目
'price': '11.99',                 // 单位价格
'quantity': '1'                   // 数量
});

发送数据到GA服务器

在收集完所有的交易数据以及商品数据的时候,这个时候数据还只是被存储在用户浏览器的本地,我们需要使用发送数据命令将数据发送到GA服务器:

ga('ecommerce:send');

当数据被发送到GA服务器后,GA将重置本地的购物篮数据,这时候又将是一个新的交易数据统计和商品数据统计了。

清空电子商务数据

如果用户选择清空购物篮之类,我们也可以手动的清除用户本地存储的购物车数据:

ga('ecommerce:clear');

其他部署相关

  • 指定币种:
ga('set', 'currencyCode', 'EUR');
  • 多跟踪ID支持
  • 精度支持
1000.000001

参考资料:

数据分析中的基准值(Bechmark)

前几天在某网站分析群里,一位朋友表示很想知道业内知名站点的一些网站分析数据,例如大型网站的购物车完成率,又或者业内关于该指标的平均值。起因是因为自己刚开始收集这些数据,并不知道如何设立KPI阀值,供自己团队参考优化网站。

好了,群里开始闹腾起来,有几个朋友在反驳:这个数据肯定不会公开!知道这个数据有用吗?别家能做到高购物车完成率,你只知其然不知其所以然,又有何用?几位朋友轮番上阵,直接让提问的朋友怂了。

基准的起源

在从小的教育中,我们就被学校、老师、家长赋予了太多基准了。“嗯,你得考60分,才及格;80分,才是良好;前5名,才是优秀。”这样的基准与参考伴随着我们成长到现在,不得不说,这对我们的思维方式造成了极大的影响。以至于工作中,也偶尔会在迷惘时把基准作为主要目标,迷信目标数据,却丢失了追寻数据的真谛。

另一种需求,我认为是源于竞争分析的需要,这里的基准需求,一部分已经跨越出网站分析(站内分析)的范畴了,属于一种竞争数据、市场数据。我们希望通过一个业界标准,来衡量自身,我们是高于平均水平?还是落后?所谓知己知彼,方能百战百胜。

我们需要基准吗?

在那次讨论的尾端,我提问:如果有一个第三方机构调查处了一个业内基准值,你会去参考吗?这时候慢慢有朋友松口了。是的,我们有这样的需求,我们希望了解我们自身在外部环境的水平是如何的,虽然这不可能完全改善现况,但能警醒我们:嗯,你看,一号店能够达到这个水平,我们应当做的更好,至少也得达到一样的水平!当然,实际上正如大家讨论所得,这个数据咱们没有。也没有第三方机构分享这个调查数据(或许他们也没有类似的调查)。因此,我们也无需在这个基准上纠结了。

然而,有些数据也是可以有基准的,但是这个基准的参考价值大吗?我们需要适度的分析:很简单,整个电子商务行业网站的日平均Pageview,我现在告诉你,是20000的日均Pageview。你达到了吗?好吧,这是个平均值的陷阱,淘宝网一天可能就1亿了,你被平均了!因此,这类基准也就缺乏了参考价值了。

简单改善购物车完成率

回到最初的购物车完成率,其定义一般如:

订单总数 / 开始使用购物车的访问次数 = 购物车完成率

换一种方式解释这个指标:有多少比例的访问是在一次购物过程中有加入到购物车但是没有最终下单付款呢?噢,这是一个非常综合的指标,衡量的是从开始购物一直到购物结束的转化水平。我们可以试想一些产生丢弃订单的原因:

  • 嗯?我加入购物车了,但是我找不到结算订单按钮呢!
  • 啊,可以填写优惠码耶,我可不可以去哪儿找到这个优惠码呢?
  • 收货信息的填写怎么这么麻烦,我又有哪个选项没选吗,为什么不能下一步!
  • 咦,下单页面好像给我推荐了不错的类似产品,我是不是要再逛逛~
  • 我靠,这个验证码是神马,看都看不懂,怎么继续啊!
  • 好吧,终于可以付款了,什么?不支持支付宝?我去,不支持我有的网银?
  • ……

随便列一列,产生丢弃订单的情况就有这么多。可以看到大多数都是由于下单流程用户体验问题造成的。因此,我们懂了!要优化这个指标,就是要优化下单流程的用户体验,改良了用户体验,我们是可以让购物车完成率变得更漂亮的。

追寻目标数值的本质

回想一下,我们为什么会去寻求一个基准(Bechmark)呢,我们无非是想通过这个值了解自身水平,设立提升目标。从上面的的分析看出来,理论上来说,购物车完成率做得好,是可以接近100%的。因此,我们也可以根据自有团队资源,设立合适目标将这件事做得更好。

如果一定要给基准值,那么就与自身作基准吧,每一次改进都与改进前做比较,直到数次改进都达到一个相对稳定的值,或许你们已经达到了优化极致,或许你们遭遇了优化瓶颈,或许你们已经没有必要在这方面下功夫了!

最后还是说一点个人想法吧,如果这个值需要我来主持优化,在国内的环境,我比较支持用户体验淘宝化,即让购物流程尽量的接近淘宝,模拟淘宝。毕竟绝大多数用户的体验都已经兼容淘宝,而淘宝也有最优秀的团队优化购物体验,因此这也是我认为最简便的提升购物体验的方法了。